Python

V tomto pravidelném vydání pondělních Postřehů z bezpečnosti se podíváme na využití AI severokorejskými útočníky, pročínskou vlivovou síť podvodných webů nebo nové malwary z arzenálu ruských skupin.

Dnes si vysvětlíme algoritmy pro vektorizaci jazykového korpusu, což je proces, při kterém se z jednotlivých textových dokumentů (každý dokument je představován řetězcem) konstruuje matice s numerickými hodnotami.

Podíváme se na ukrývání kódu v metadatech, na zranitelnost ve Windows zneužitelnou pouhým kliknutím pravého tlačítka myši, opět se budeme věnovat ransomwaru, zaměříme se také na škodlivý balíček fabrice a zranitelnosti v GitLabu.

V éře GNOME 47 a KDE Plasmy 6.2, obou běžících na Waylandu, v éře HDR, HiDPI i neceločíselného škálování může působit archaicky desktop stavějící na 23 let starých dogmatech. Přesto má ale desktop Trinity i pro rok 2025 co nabídnout.

V článcích o scikit-learn jsme se zabývali zpracováním a predikcí numerických dat. Ovšem v praxi je zapotřebí pracovat i s dokumenty psanými v přirozeném jazyce. I v takových případech najde scikit-learn své využití.

Vysvětlíme si, jak jsou tenzory uloženy v paměti počítače nebo TPU. Taktéž si ukážeme získání pohledu (view) na tenzor a následně si popíšeme i různé operace, které je možné s tenzory provádět jako s celkem.

Začneme se zabývat knihovnou PyTorch, která je poměrně intenzivně využívána v oblasti strojového učení (machine learning) a zejména pak hlubokého učení (deep learning).

Na světě je nová verze Fedory. Staví na jádru Linux 6.11 s GNOME 47, v případě KDE verze s Plasmou 6.2, dále třeba LXQt 2.0 (se zkušební podporou běhu na Waylandu). Novinkou je podpora použití kombinace uzavřeného ovladače Nvidia a Secure Bootu,…

Prozkoumáme, jaký vliv mají hyperparametry modelů MLPRegressor i MLPClassifier na kvalitu natrénované neuronové sítě. Budeme přitom sledovat interní stav velmi jednoduché sítě s pouhými třemi neurony.

Popíšeme si aktivační funkce, které lze vybrat při konstrukci neuronových sítí. Taktéž se zmíníme o možnosti výběru algoritmů použitých při tréningu neuronových sítí a jejich vlivu na kvalitu výsledků.

V tomto vydání Postřehů se podíváme na zneužívání chyby ve Windows, využití ChatGPT k psaní malwaru, ransomwarové skupiny zaměřené na Veeam Backup nebo únik 31 milionů údajů WaybackMachine.

Ukážeme si jeden ze způsobů rozpoznání rastrových obrázků. Použijeme obrázky s rozlišením pouze 8×8 pixelů, které lze reprezentovat vektorem s 64 prvky. Takto krátké vektory můžeme využít pro trénink různých modelů.

Dnes vychádza nová verzia jazyka Python 3.13. Medzi novinkami je aj vylepšený jazykový shell. Výzvy sú po novom farebne rozlíšené. Boli pridané príkazy exit , help , a quit . Teda pre návrat do terminálu už nebudeme musieť písaťexit() alebo quit()…

Budeme se opět zabývat neuronovými sítěmi. Ukážeme si změnu topologie neuronové sítě provádějící regresi, ale například i použití takzvané matice záměn (confusion matrix). Nakonec neuronovou síť naučíme malou násobilku.

Po téměř 12 letech vývoje byla vydána verze 1.0.0 programovacího jazyka Hy, což je dialekt jazyka Lisp, který je zabudován do jazyka Python. Jedná se o první stabilní vydání tohoto jazyka. Čerstvě vydaná verze 1.0.0 podporuje Python 3.8 až…

Dnes si ukážeme, jak vytvořit neuronovou síť s volitelným počtem skrytých vrstev, naučit tuto síť řešit zvolený problém s využitím sady trénovacích dat a následně tuto síť použít nad další sadou (validačních) dat.

Ještě jednou se vrátíme k modelu pro lineární regresi. S ním jsme se již setkali, ovšem ve skutečnosti je i zdánlivě jednoduchý koncept lineární regrese realizován tak, že ho lze využít mnoha dalšími způsoby.

Budeme se zabývat důležitou problematikou, konkrétně jak vybrat co nejvhodnější model, jak nastavit hyperparametry modelů a jak vlastně zjistit, které atributy se mají použít při tréninku modelu.

Codon je rychlá implementace Pythonu, která se snaží o rychlosti srovnatelné s nativním kódem v C/C++. V jednom vlákně je často 10–100× rychlejší než referenční  CPython. Navíc nativně používá multithreading. Codon nepoužívá novou syntax, ale také…

Dokončíme popis problematiky modelů provádějících regresní analýzu. Ukážeme si, jak tyto modely natrénovat, jak zjistit, které atributy způsobují špatné předpovědi modelu i to, jak zjistit atributy způsobující nestabilitu předpovědí.

Na článek, v němž jsme se zabývali základní problematikou modelů provádějících klasifikaci dat, dnes navážeme. Ukážeme si jeden z modelů, jenž namísto klasifikace provádí regresi. Jedná se o model lineární regresní analýzy.

Na úvodní článek o datové analýze s využitím knihovny scikit-learn dnes navážeme. Ukážeme si práci s modely provádějícími klasifikaci dat. Konkrétně se bude jednat o modely, které se „učí s učitelem“ – supervised learning.

Datová analýza je velmi zajímavý a neustále se rozvíjející se obor. Své místo v něm má i knihovna scikit-learn běžící v ekosystému jazyka Python. Dnes si představíme naprosté základy této knihovny.

Nově vydaná verze setuptools způsobuje problémy při instalaci balíčků. Chyba je o to zákeřnější, že nestačí v závislostech použít starší verzi setuptools, protože každý balíček si může specifikovat vlastní verzi a pokud verzi neudá, použije se…

Miro Hrončok z Red Hatu navrhl mezi změny pro Fedoru 41 definitivní odstranění podpory staré verze Pythonu 2.7. Má pro to pádné důvody jako třeba skutečnost, že tato verze bude v době vydání jedenačtyřicítky už dobrých 5 let ukončená, že CentOS…

Sonda do světa otevřeného softwaru. Dnes si představíme hexadecimální editor, vyzkoušíme nástroj pro tvorbu uživatelského rozhraní, řekneme si o rychlém textovém editoru a zkomprimujeme si pár PDF souborů.

V dnešním článku budeme pokračovat v popisu technologie strukturálního pattern matchingu, jenž je nedílnou součástí programovacího jazyka Coconut. Některé vzorky, které si ukážeme, přesahují možnosti Pythonu. V tomto ohledu je tedy Coconut o jeden či dva kroky napřed.

S technologií pattern matchingu, resp. vylepšenou formou strukturální pattern matching jsme se zde již setkali. V jazyku Coconut je strukturální pattern matching všudypřítomným prvkem a je „mocnější“, než v Pythonu.

Na článek o „univerzálním“ transpileru py2many dnes navážeme a dokončíme popis možností a schopností tohoto nástroje. Ukážeme si způsob překladu konstrukcí async a await, try a except, použití pattern matchingu i překlad kódů s definicí tříd.

V dnešním článku se seznámíme se základními vlastnostmi projektu py2many, který dokáže překládat zdrojové kódy z Pythonu do dalších jazyků, včetně C++, Rustu, Go či jazyku Julia.